KLASIFIKASI NASABAH BAIK DAN BERMASALAH MENGGUNAKAN METODE NAIVE BAYES

Transkripsi

1 KLASIFIKASI NASABAH BAIK DAN BERMASALAH MENGGUNAKAN METODE NAIVE BAYES Yuli Murdianingsih Manajemen Informatika STMIK Subang, Jawa Barat Jl.Marsinu no 5 Subang, telp (0260) yuli_murdianingsih@yahoo.com Abstrak Masih besarnya besaran kredit macet di tahun 2014 sebesar 10,7% dan adanya kecenderungan peningkatan nilai NPL dari UMKM pada tahun 2014 sebesar 3,7 membuat penulis tertarik untuk membuat prototipe sistem penentuan kredit macet. Dua persen (2 %) kegagalan bank disebabkan oleh fraud, dan 98 % penyebab kegagalan bank dikerenakan NPL (Non Ferporming Loan). NPL merupakan indiakasi adanya masalah dalamsebuah bank. Jika NPL tidak segera mendapatkan solusi maka akan berdampak bahaya pada bank, dampak bahaya tersebut diantaranya adalah mengurangi jumlah modal yang dimiliki oleh bank. NPL bisa menjadi indikator jumlah kredit bermasalah. Menggunakan sampel data penenlitian sekunder, terhadap record data baru yang belum memiliki kelas, dilakukan perhitungan probailitas nilai kelas, probabilitas level golongan pada nilai kelas, probabilitas jumlah tanggungan pada nilai kelas, probabilitas level pinjaman pada nilai kelas dan probabilitas jangka waktu pada nilai kelas. Nilai probabilitas yang mengarah pada nilai kelas tertentu menunjukkan bahwa kelasnya adalah kelas tersebut. Dengan menggunkan tools PHP dan DBMS MySQL dilakukan implementasi sistem penentuan nassabah bermasalah dan nasabah baik. Diperoleh sistem berbasis web menggunakan PHP dan MySQL yang dapat melakukan penentuan nasabah bermasalah dan nasabah baik menggunakan metode naive bayes. Besaran probabilitas nilai kelas hasil perhitungan manual sama dengan besaran nilai probabilitas hasil sistem. Kata Kunci : Nasabah,Naive Bayes, NPL. 1. PENDAHULUAN Dua persen (2 %) kegagalan bank disebabkan oleh fraud, dan 98 % penyebab kegagalan bank dikerenakan NPL (Non Ferporming Loan). NPL merupakan indiakasi adanya masalah dalamsebuah bank. Jika NPL tidak segera mendapatkan solusi maka akan berdampak bahaya pada bank, dampak bahaya tersebut diantaranya adalah mengurangi jumlah modal yang dimiliki oleh bank (bangun, 2012). NPL bisa menjadi indikator jumlah kredit bermasalah.ada kecenderungan kredit macet meningkat di tahun 2014, seperti pada Tabel 1, demikian juga nilai NPL pada Tabel 2, cenderung meningkat. Tabel 1 Data kredit macet tahun (Sucipto, 2015) tahun Jumlah anggota Kredit macet % % % % % % Tabel 2 Perkembangan kredit dan Prediksi NPL UMKM 2014 (Khairul, 2015) Tahun Kredit NPL , , , ,7 3.7 Parameter-parameter penentuan kredit dalam dunia perbankan biasanya kompleks. Dalam penelitian ini akan digunakan parameter jumlah tanggungan, level golongan, level pinjaman dan jangka waktu berdasarkan pada data penelitian sekunder dari Firmansyah (2011). 349

2 2. TINJAUAN PUSTAKA Pada data BCA finance jakarta, metoda Naive Bayes lebih unnggul digunakan untuk pengolahan data awal dan memperoleh akurasi signifikan dengan derajat excellent classification (Ciptohartono, 2014). Metode naïve bayes dapat digunakan untuk menentukan kelayakan kredit sepeda motor Nugroho dan Suryati (2013). Dalam menentukan parameter pertimbangan kredit, untuk menentukan apakah nasabah ada kemungkinan bermasalah dan nasabah berkemungkinan baik, menurut Zurada dalam Firmansyah (2011) beberapa atribut yang menyertai data debitur diantaranya umur, jumlah kredit, checking, penjamin, jangka kredit, lama bekerja, jumlah akun di bank, status pekerjaan, histori kredit, status rumah, dana aman, status pernikahan, alasan pinjaman. Merupakan pengklasifikiasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class....1) (Kusrini dan luthfi, 2009) Dimana: X: data dengan class yang belum diketahui H:hipotesis data X merupakan suatu class spesifik P(H X):probabilitas hipotesis H berdasar kondisi X (posteriori probability) P(H):probabilitas hipotesis H(prior probability) P(X H):probabilitas X berdasar kondisi pada hipotesis H P(X):probabilitas dari X 3. METODE PENELITIAN Tabel 3 menunjukkan data penelitian yang merupakan data sekunder, data bernilai kategorikal. Tabel 4 menunjukkan satu baris data kasus. Terdapat 39 baris data sebagai data penelitian sekunder penentuan kemungkinan nasabah baik dan nasabah bermasalah NO Tabel 3 Data penentuan kemungkinan nasabah Firmansyah (2011) Jumlah Tanggungan Level Golongan Level Pinjaman Jangka Waktu Class 1 Sedang III Kecil 2 Baik 2 Sedang II Sedang 3 Bermasalah 3 Sedang II Kecil 2 Baik 4 Sedikit III Sedang 3 Baik 5 Sedikit IV Sedang 3 Baik 6 Sedang III Sedang 3 Baik 7 Banyak II Sedang 3 Bermasalah 8 Sedikit II Sedang 3 Baik 9 Sedikit II Sedang 3 Bermasalah 10 Sedang III Besar 3 Baik 11 Banyak III Sedang 2 Baik 12 Banyak II Sedang 3 Baik 13 Sedikit IV Besar 3 Baik 14 Sedikit III Besar 2 Bermasalah 15 Sedikit II Sedang 2 Baik 16 Sedang II Sedang 2 Baik 17 Sedikit III Sedang 2 Baik 18 Banyak I Sedang 3 Bermasalah 19 Sedikit II Besar 3 Bermasalah 20 Banyak III Sedang 3 Baik 21 Kosong II Sedang 3 Baik 350

3 NO Jumlah Tanggungan Level Golongan Level Pinjaman Jangka Waktu Class 22 Kosong III Sedang 3 Baik 23 Sedikit III Kecil 2 Baik 24 Sedang III Kecil 3 Baik 25 Sedang IV Sedang 3 Baik 26 Kosong IV Sedang 3 Baik 27 Banyak IV Sedang 3 Baik 28 Sedikit III Besar 3 Baik 29 Sedang III Sedang 3 Bermasalah 30 Sedang II Sedang 3 Baik 31 Sedikit IV Sedang 3 Baik 32 Kosong III Besar 3 Baik 33 Sedikit III Kecil 3 Baik 34 Kosong II Besar 3 Baik 35 Sedang I Sedang 3 Bermasalah 36 Sedang IV Kecil 2 Baik 37 Sedang IV Besar 3 Baik 38 Sedikit III Sedang 3 Bermasalah 39 Sedikit IV Kecil 2 Baik Tabel 4 Data kasus baru yang belum ada dalam Tabel 3 NO Jumlah Tanggungan Level Golongan Level Pinjaman Jangka Waktu Class 1 Sedikit IV Besar 2? Dilakukan penghitungan probabilitas ke arah class bermasalah dan baik, sebagai berikut: P(class= baik )=30/39=0,76 P(class= bermasalah )=9/39=0,23 Hitung P(X C i ), untuk i=1,2 P(jumlah tanggungan= sedikit class= baik )=11/30= 0,36 P(jumlah tanggungan= sedikit class= bermasalah )=4/9=0,44 P(level golongan= IV class= baik )=9/30=0,3 P(level golongan= IV class= bermasalah )=0/9=0 P(level pinjaman= besar class= baik )=7/30=0,23 P(level pinjaman= besar class= bermasalah )=2/9=0,22 P(jangka waktu= 2 class= baik )=9/30=0,3 P(jangka waktu= 2 class= bermaslah )=1/9=0,11 P(X class= baik )=0,36 x 0,3 x 0,23x 0,3 = P(X class= bermasalah )=0,44 x 0 x 0,22 x 0,11 = 0 P(X class= baik )P(class= baik )=0, x 0,76 =0,00566 P(X class= bermasalah )P(class= bermasalah )= 0 x 0,23=0 ***kesimpulan class= baik 351

4 Untuk memperoleh prototipe sistem dimodelkan data dengan lima entitas masing-masing adalah nasabah, parameter pemberian kredit, kasus, solusi dan entitas tampung nilai seperti pada Gambar 1. no Id_nasabah Nama_nas Id_nasabah Jumlah_tanggungan jenkel alamat nasabah 1 memiliki n parameter No_kontak Level_golongan Level_pinjaman No_kasus Jumlah_tanggungan Jangka_waktu No_kasus kasus 1 memiliki n solusi Level_golongan Level_pinjaman Jangka_waktu Arah_baik Arah_bermasalah Total_nasabah_baik Totasl_kasus Total_nasabah_bermasalah No_kasus jangkawaktux_bermasalah Tampung_nilai tanggunganx_baik jangkawaktux_baik levelpinjamanx_bermasalah levelpinjamanx_baik tanggunganx_bermasalah levelgolonganx_baik Levelgolonganx_bermasalah Gambar 1 Model data sistem Dilakukan perancangan fungsional meliputi diagam konteks, seperti pada Gambar 2 dan DFD seperti pada Gambar 3. Diagram konteks system digunakan untuk memberikan gambaran input dan out put dari sistem ke user. Diagram konteks sistem penentuan klasifikasi nasabah bermasalah dan baik diperlihatkan pada Gambar 2, terdapat satu entitas luar berupa user yang memeasukkan data nasabah, data parameter dan kasus dan memperoleh keluaran berupa informasi kemungkinan nasabah bermasalah dan nasabh baik. Data nasabah, kasus, parameter user Sistem penentuan Kemungkian Nasabah Beermasalah dan nasabah Baik Informasi Kemungkinan nasabah bermasalah, baik Gambar 2. Diagram konteks system Terdapat enam proses dalam DFD level 1 yaitu proses input data nasabah, input data parameter, input data kasus, proses menentukan nilai probabilitas dari variabel Bayes, proses menentukan kemungkinan nasabah bermasalah dan baik serta menampilkan nasabah bermasalah dan tidak bermasalah. DFD Level 1 diperlihatkan dalam Gambar 3. terdapat tiga data store masing-masing daerah, parameter_kebak dan view_potensi_kebak, masing-masing Seperti terlihat pada Gambar

5 Data daerah 2.0 Input data nasabah 1.0 Input data parameter Nilai parameter numerik user Id_nasabah, nama_nas,alamat, saved Id_nasabah Id_nasabah,no Jumlah_tanggungan, Level_golongan, Level_pinjamam, Jangka_waktu, kemungkinan 3.0 Input data kasus Jumlah tanggungan, Level golongan, Level_pinjaman, Jangka waktu parameter nasabah Tampung_nilai Id_nasabah 4.0 Menentukan nilai probabilitas dari Variabel Bayes Id_nasabah, Total_kasus,total kasus baik, Total kasus bermasalah, tanggunganx_baik, Tanggunganx_bermasalah, Levelgolonganx_baik, levelgolonganx_bermasalah, levelpinjamanx_baik, levelpinjamanx_bermasalah, jangkawaktux_baik, jangkawaktux_bermasalah, saved 5.0 menentukan kemungkinan Nasabah bermasalah atau baik Id_nasabah, Total_kasus,total kasus baik, Total kasus bermasalah, tanggunganx_baik, Tanggunganx_bermasalah, Levelgolonganx_baik, levelgolonganx_bermasalah, levelpinjamanx_baik, levelpinjamanx_bermasalah, jangkawaktux_baik, jangkawaktux_bermasalah, No_kasus, Arah_baik, Arah_bermasalah, saved solusi No_kasus,id_nasabah, Nama_nas, kemungkinan nasabah baik atau bermasalah No_kasus No_kasus, jumlah_tanggungan, Level_golongan, level_pinjaman, Jangka_waktu saved Tampung_nilai 6.0 tampilkan kemungkinan nasabah bermasalah dan baik Informasi potensi tingkat kebakaran hutan Gambar 3 Diagram Alir Data level 1 4. HASIL DAN PEMBAHASAN Dalam penelitian ini mengimplementasikan basis data relasional. Basis data relasional diimpelementasikan dalam DBMS MySQL, seperti diperlihatkan dalam Gambar 4. Sesuai dengan ancangnnhya di Bab III, terdapat empat tabel dalam basis datanya yaitu tabel kasus, solusi, nasabah, parameter dan tampung nilai. Gambar 4 Relasi antar tabel 353

6 Gambar 5 merupakan tampilan menu utama sistem dimana terdapat ling untuk mengambil nilai atribut, mengambil nilai variabel, menghapus nilai atribut sebelumnya dan menampilkan daftar probabilitas ke arah baik dan ke arah bermasalah. Gambar 5 Menu utama Gambar 6 menunjukkan antar muka untuk mangambil kasus dan nilai atribut. Gambar 7 menunjukkan potongan kode untuk realisasi pengambilan nilai atribut. Gambar 8 menampilkan antar muka untuk mengambil nilai variabel Naive Bayes sesua analisis perhitungan. Gambar 6 Ambil kasus dan atribut //mengisikan total kasus nasabah ke arah bermasalah echo"<tr><td>total nasabah bermasalah</td><td colspan=2> "; $ee="select count(kemungkinan) as total_nasabah_bermasalah from parameter where kemungkinan='bermasalah'"; $ea=mysql_query($ee); $ec=mysql_fetch_array($ea); // menampilkan jumlah total nasabah ke arah bermasalah echo"<input type=text name=total_nasabah_bermasalah value='$ec[total_nasabah_bermasalah]'></td></tr>"; Gambar 7 Potongan kode untuk mengambil total nasabah ke arah bermasalah 354

7 Gambar 8 Ambil nilai variabel Naive Bayes Dilakukan implenetasi kode PHP dalam penghitungan probabilitas, sebagai berikut, menghitung probabilitas class, jumlah tanggungan, level golongan, level pinjaman dan jangka waktu: //menghitung nilai probabilitas class $a=$data[total_nasabah_baik]/$data[total_kasus]; echo"probabilitas nilai investasi besar adalah:$a<br>"; $b=$data[total_nasabah_bermasalah]/$data[total_kasus]; echo"probabilitas nilai investasi sedang adalah:$b<br>"; //probabilitas jangka Waktu $m=$data[jangkawaktux_baik]/$data[total_nasabah_baik]; echo"p(jangka waktu=x nilai_nasabah=baik) adalah $m<br>"; $n=$data[jangkawaktux_bermasalah]/$data[total_nasabah_bermasalah]; echo"p(jangka waktu=x nilai_nasabah=bermasalah) adalah $n<br>"; Gambar 8 potongan kode probabilitas atribut class dan parameter kredit nasabah 5. KESIMPULAN Berdasarkan hasil pembahasan pada bab sebelumnya, diperoleh kesimpilan sebagai berikut: 1. Dapat diimplementasikan sistem penentuan kemungkinan nasabah bermasalah dan nasabah baik menggunakan parameter jumlah tanggungan, level golongan, level pinjaman dan jangka waktu. 2. Hasil analisis perhitungan sama dengan hasil implementasi sistem 3. Mengingat jumlah data yang digunakan untuk penelitian ini adalah data penelitian sekunder sebanyak 39 data, maka dalam pengembanngan berikutnya sebaiknya diupayakan lebih banyak lagi mengingat data mining bisa mengelola data dengan jumlah yang sangat besar. DAFTAR PUSTAKA Bangun, A.S., 2012, Penanganan Kredit Bermasalah, dapat diakses pada: Ciptohartono, C.C., 2014, Algoritma Klasifikasi Naive Bayes untuk Menilai Kelayakan Kredit, Fakultas Ilmu Komputer Udinus Firmansyah, 2011, Penerapan Algoritma Klasifikasi C 4.5 untuk Penentuan Kelayakan Pemberian Kredit Koperasi, Tesis STMIK Nusa Mandiri, Jakarta Indra, 2008, Analisa Kredit, dapat diakses: 355

8 Khairul, I., 2015, Zona berbahaya: Kredit bermasalah UMKM meningkat, Kompasiana.com Kusrini, Luthfi, E., T., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta Nugroho, H.F., Suryati, P., 2013, Aplikasi Sistem Pendukung Keputusan Pengajuan Kredit Sepeda Motor, Semnastik 2013, Semarang Sucipto, A., 2015, Prediksi Kredit Macet Melalui Perilaku Nasabah, Jurnal Dispotek Unisnu Jepara, Jepara 356